一种基于人工智能的新能源电池故障诊断方法

摘要

本发明涉及电池故障诊断的技术领域，揭露了一种基于人工智能的新能源电池故障诊断方法，包括：构建新能源电池等效电路模型；基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征；基于新能源电池的特征构建新能源电池故障诊断模型；利用改进的图优化算法对新能源电池故障诊断模型进行优化；将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，模型输出待诊断新能源电池是否存在故障以及故障的类型。本发明基于新能源电池等效电路模型将多维多指标的新能源电池特征指标数据转换为三维的新能源电池故障诊断指标体系，降低电池故障诊断的复杂性，提高电池故障诊断的时效性。

权利要求

1.一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述方法包括：S1：构建新能源电池等效电路模型；

S2：基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

S3：基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型，所述基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，包括：基于新能源电池故障诊断指标体系中的指标特征，利用所采集数据的特征向量集合构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型为图模型，每个特征向量 为新能源电池故障诊断模型中的一个点，特征向量之间的隶属度关系为新能源电池故障诊断模型中的边，所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；

将待诊断新能源电池的指标特征输入到新能源电池故障诊断模型中，新能源电池故障诊断模型计算指标特征中每一维特征所属类别的概率，则指标特征属于类别r的概率为：其中：

表示指标特征中第i维特征与类别r的第i维特征的隶属度， ，其中 表示电池阻抗实部特征， 表示电池阻抗虚部特征， 表示荷电状态特征；

表示指标特征中第i维特征的标准差；

为指标特征中第i维特征的均值；

为类别r的第i维特征的均值；

e为自然指数；

为指标特征属于类别r的概率， ， 表示待诊断新能源电池不存在故障；

S4：利用改进的图优化算法对新能源电池故障诊断模型进行优化，求解得到优化后的故障诊断模型参数，所述利用改进的图优化算法对新能源电池故障诊断模型进行优化，包括：将所采集数据的特征向量集合 划分为训练

集和测试集，其中训练集中特征向量的数目为 ，测试集中特征向量的数目为 ；

设定新能源电池故障诊断模型可以进行诊断的故障类型数为H，其中 ，H中包括一种不存在故障的故障类型以及 种故障，从训练集中选取 个故障类型不同的特征向量作为初始故障类别；

随机生成训练集中每一个特征向量中每一维特征与初始故障类别中每一维特征的隶属度；

构建新能源电池故障诊断模型优化的目标函数：其中：

为训练集中第v个特征向量的第i维特征 与第h个初始类别的第i维特征 的隶属度；

所述目标函数的约束条件为：

将约束条件代入到目标函数中：

其中 为拉格朗日乘子；

令 ，分别得到故障类别的迭代公式以及隶属度的迭代公式：其中：

为训练集中第v个特征向量的均值；

根据迭代公式对故障类别以及隶属度进行迭代，并利用测试集进行测试：其中：

为测试集中第 个特征向量的模型输出故障类型， 为测试集中第 个特征向量的真实故障类型；

直到 值达到最小，将此时的故障类别以及对应的隶属度作为新能源电池故障诊断模型的优化参数，得到优化后的新能源电池故障诊断模型；

S5：将待诊断新能源电池的运行数据输入到新能源电池等效电路模型中，并提取待诊断新能源电池的指标特征；

S6：将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，模型输出待诊断新能源电池是否存在故障以及故障的类型。

2.如权利要求1所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S1步骤中构建新能源电池等效电路模型，包括：基于新能源电池运行过程中电池离子扩散产生的扩散阻抗，构建新能源电池工作过程中的等效电路模型，所述新能源电池等效电路模型的模型结构为：其中：

为新能源电池的阻抗；

为新能源电池的电阻值；

为极化电阻值；

b为新能源电池中恒相元件的模值，为恒相元件的相位；

Z表示扩散阻抗；

j表示虚数单位， ；

表示新能源电池中电流的角频率；

T表示新能源电池的温度；

F表示法拉第常量；

S表示新能源电池活化面积，C表示新能源电池中阴极活性层氧浓度，表示扩散系数，n表示扩散的电池离子数目。

3.如权利要求1所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S2步骤中基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，包括：获取不同类型的新能源电池，并采集实验环境下的不同类型新能源电池的工作数据，所采集工作数据的集合为：其中：

为所获取的第k个新能源电池的工作数据，K为所获取新能源电池总数；

，其中 表示第k个新能源电池不存在故障， 表示第k个新能源电池存在故障，若 ，则 为0，若 ，则 为第k个新能源电池的故障类型；

表示第k个新能源电池在工作期间电阻值变化的时序数据；

表示第k个新能源电池的参数特征，包括极化电阻值、电流的角频率、恒相元件模值以及相位；

表示第k个新能源电池在工作期间扩散阻抗变化的时序数据；

表示第k个新能源电池在工作期间荷电状态变化的时序数据；

根据所构建的新能源电池等效电路模型，将新能源电池在工作期间的电阻值、扩散阻抗以及参数特征代入新能源电池等效电路模型，得到新能源电池的电池阻抗时序数据，则所采集的数据集合为：其中：

为第k个新能源电池的工作数据；

为第k个新能源电池在工作状态下的电池阻抗时序数据。

4.如权利要求3所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S2步骤中提取实验室环境下所采集数据的特征，包括：特征提取算法流程为：

分别提取电池阻抗时序数据的实部和虚部，得到 ， ，其中 表示第k个新能源电池的电池阻抗时序数据的实部， 为实部提取公式， 表示第k个新能源电池的电池阻抗时序数据的虚部， 为虚部提取公式；

将电池阻抗时序数据实部、电池阻抗时序数据虚部以及荷电状态时序数据作为新能源电池的特征；

对所采集的数据集合中的工作数据进行上述特征提取，得到所采集数据的特征向量集合：其中：

为第k个新能源电池的特征向量。

5.如权利要求3或4所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S2步骤中根据所提取特征构建新能源电池故障诊断指标体系，包括：所构建的新能源电池故障诊断指标体系包括电池阻抗实部特征、电池阻抗虚部特征以及荷电状态特征。

6.如权利要求1所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S5步骤中提取待诊断新能源电池的指标特征，包括：将待诊断新能源电池的工作状态数据输入到新能源电池等效电路模型中，得到待诊断新能源电池的电池阻抗时序数据以及荷电状态时序数据；

分别提取电池阻抗时序数据的实部和虚部；

将电池阻抗时序数据的实部、电池阻抗时序数据的虚部以及荷电状态时序数据作为待诊断新能源电池的指标特征。

7.如权利要求6所述的一种基于人工智能的新能源电池故障诊断方法，其特征在于，所述S6步骤中将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，包括：将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，新能源电池故障诊断模型计算得到待诊断新能源电池指标特征在每类故障 的概率值，将概率值最大的故障类型 作为待诊断新能源电池的故障类型，若 ，则表示待诊断新能源电池不存在故障。

8.一种基于人工智能的新能源电池故障诊断装置，其特征在于，所述装置包括：等效电路构建装置，用于构建新能源电池等效电路模型；

数据采集处理模块，用于基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

电池故障诊断模块，用于基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型，利用改进的图优化算法对新能源电池故障诊断模型进行优化，以实现如权利要求1所述的一种基于人工智能的新能源电池故障诊断方法。

说明书

一种基于人工智能的新能源电池故障诊断方法

技术领域

[0001] 本发明涉及电池故障诊断的技术领域，尤其涉及一种基于人工智能的新能源电池故障诊断方法。

背景技术

[0002] 新能源电池满足了节约能源的现代化要求，另一方面也对新能源电池的安全可靠运行提出了巨大的挑战。新能源电池一旦发生故障问题将会造成灾难性后果以及恶劣的社会影响，因此对新能源电池的故障诊断具有重要意义。而新能源电池的特征指标包括电流值、电压值、电阻值以及荷电状态等，特征维度较高，因此传统电池故障诊断方法需要建立多维的诊断模型对新能源电池进行故障诊断，多维的诊断模型需要大量数据以及计算资源进行训练，且若各维度之间复杂的关系可能会导致故障误判。

发明内容

[0003] 有鉴于此，本发明提供一种基于人工智能的新能源电池故障诊断方法，目的在于（1）构建新能源电池等效电路模型，将多维多指标的新能源电池特征指标数据转换为三维的新能源电池故障诊断指标体系，降低电池故障诊断的复杂性，实现电池故障诊断的时效性；（2）基于图网络模型构建新能源电池故障诊断模型，对模型进行图优化，得到可用的新能源电池故障诊断模型，实现待诊断新能源电池的故障类型诊断。

[0004] 实现上述目的，本发明提供的一种基于人工智能的新能源电池故障诊断方法，包括以下步骤：

[0005] S1：构建新能源电池等效电路模型，实现新能源电池工作过程的数字化表示；

[0006] S2：基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

[0007] S3：基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；

[0008] S4：利用改进的图优化算法对新能源电池故障诊断模型进行优化，求解得到优化后的故障诊断模型参数；

[0009] S5：将待诊断新能源电池的运行数据输入到新能源电池等效电路模型中，并提取待诊断新能源电池的指标特征；

[0010] S6：将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，模型输出待诊断新能源电池是否存在故障以及故障的类型。

[0011] 作为本发明的进一步改进方法：

[0012] 可选地，所述S1步骤中构建新能源电池等效电路模型，包括：

[0013] 基于新能源电池运行过程中电池离子扩散产生的扩散阻抗，构建新能源电池工作过程中的等效电路模型，所述新能源电池等效电路模型的模型结构为：

[0014]

[0015]

[0016] 其中：

[0017] 为新能源电池的阻抗；

[0018] 为新能源电池的电阻值；

[0019] 为极化电阻值；

[0020] b为新能源电池中恒相元件的模值，为恒相元件的相位；

[0021] Z表示扩散阻抗；

[0022] j表示虚数单位， ；

[0023] 表示新能源电池中电流的角频率；

[0024] T表示新能源电池的温度；

[0025] F表示法拉第常量；

[0026] S表示新能源电池活化面积，C表示新能源电池中阴极活性层氧浓度，表示扩散系数，n表示扩散的电池离子数目。

[0027] 可选地，所述S2步骤中基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，包括：

[0028] 获取不同类型的新能源电池，并采集实验环境下的不同类型新能源电池的工作数据，所采集工作数据的集合为：

[0029]

[0030] 其中：

[0031] 为所获取的第k个新能源电池的工作数据，K为所获取新能源电池总数；

[0032] ，其中 表示第k个新能源电池不存在故障， 表示第k个新能源电池存在故障，若 ，则 为0，若 ，则 为第k个新能源电池的故障类型；

[0033] 表示第k个新能源电池在工作期间电阻值变化的时序数据；

[0034] 表示第k个新能源电池的参数特征，包括极化电阻值、电流的角频率、恒相元件模值以及相位；

[0035] 表示第k个新能源电池在工作期间扩散阻抗变化的时序数据；

[0036] 第k个新能源电池在工作期间荷电状态变化的时序数据；

[0037] 根据所构建的新能源电池等效电路模型，将新能源电池在工作期间的电阻值、扩散阻抗以及参数特征代入新能源电池等效电路模型，得到新能源电池的电池阻抗时序数据，则所采集的数据集合为：

[0038]

[0039] 其中：

[0040] 为第k个新能源电池的工作数据；

[0041] 为第k个新能源电池在工作状态下的电池阻抗时序数据。

[0042] 可选地，所述S2步骤中提取实验室环境下所采集数据的特征，包括：

[0043] 所述特征提取算法流程为：

[0044] 分别提取电池阻抗时序数据的实部和虚部，得到 ， ，其中表示第k个新能源电池的电池阻抗时序数据的实部， 为实部提取公式，
表示第k个新能源电池的电池阻抗时序数据的虚部， 为虚部提取公式；

[0045] 将电池阻抗时序数据实部、电池阻抗时序数据虚部以及荷电状态时序数据作为新能源电池的特征；

[0046] 对所采集的数据集合中的工作数据进行上述特征提取，得到所采集数据的特征向量集合：

[0047]

[0048] 其中：

[0049] 为第k个新能源电池的特征向量。

[0050] 可选地，所述S2步骤中根据所提取特征构建新能源电池故障诊断指标体系，包括：

[0051] 所构建的新能源电池故障诊断指标体系包括电池阻抗实部特征、电池阻抗虚部特征以及荷电状态特征。

[0052] 可选地，所述S3步骤中基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，包括：

[0053] 基于新能源电池故障诊断指标体系中的指标特征，利用所采集数据的特征向量集合 构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型为图模型，每个特征向量 为新能源电池故障诊断模型中的一个点，特征向量之间的隶属度关系为新能源电池故障诊断模型中的边，所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；

[0054] 将待诊断新能源电池的指标特征输入到新能源电池故障诊断模型中，新能源电池故障诊断模型计算指标特征中每一维特征所属类别的概率，则指标特征属于类别r的概率为：

[0055]

[0056] 其中：

[0057] 表示指标特征中第i维特征与类别r的第i维特征的隶属度， ，其中表示电池阻抗实部特征， 表示电池阻抗虚部特征， 表示荷电状态特征；

[0058] 表示指标特征中第i维特征的标准差；

[0059] 为指标特征中第i维特征的均值；

[0060] 为类别r的第i维特征的均值；

[0061] e为自然指数；

[0062] 为指标特征属于类别r的概率， ， 表示待诊断新能源电池不存在故障。

[0063] 可选地，所述S4步骤中利用改进的图优化算法对新能源电池故障诊断模型进行优化，包括：

[0064] 将所采集数据的特征向量集合 划分为训练集和测试集，其中训练集中特征向量的数目为 ，测试集中特征向量的数目为；

[0065] 设定新能源电池故障诊断模型可以进行诊断的故障类型数为H，其中 ，H中包括一种不存在故障的故障类型以及 种故障，从训练集中选取 个故障类型不同的特征向量作为初始故障类别；

[0066] 随机生成训练集中每一个特征向量中每一维特征与初始故障类别中每一维特征的隶属度；

[0067] 构建新能源电池故障诊断模型优化的目标函数：

[0068]

[0069] 其中：

[0070] 为训练集中第v个特征向量的第i维特征 与第h个初始类别的第i维特征的隶属度；

[0071] 所述目标函数的约束条件为：

[0072]

[0073] 将约束条件代入到目标函数中：

[0074]

[0075] 其中 为拉格朗日乘子；

[0076] 令 ，分别得到故障类别的迭代公式以及隶属度的迭代公式：

[0077]

[0078]

[0079] 其中：

[0080] 为训练集中第v个特征向量的均值；

[0081] 根据迭代公式对故障类别以及隶属度进行迭代，并利用测试集进行测试：

[0082]

[0083] 其中：

[0084] 为测试集中第 个特征向量的模型输出故障类型， 为测试集中第 个特征向量的真实故障类型；

[0085] 直到 值达到最小，将此时的故障类别以及对应的隶属度作为新能源电池故障诊断模型的优化参数，得到优化后的新能源电池故障诊断模型。

[0086] 可选地，所述S5步骤中提取待诊断新能源电池的指标特征，包括：

[0087] 将待诊断新能源电池的工作状态数据输入到新能源电池等效电路模型中，得到待诊断新能源电池的电池阻抗时序数据以及荷电状态时序数据；

[0088] 分别提取电池阻抗时序数据的实部和虚部；

[0089] 将电池阻抗时序数据的实部、电池阻抗时序数据的虚部以及荷电状态时序数据作为待诊断新能源电池的指标特征。

[0090] 可选地，所述S6步骤中将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，包括：

[0091] 将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，新能源电池故障诊断模型计算得到待诊断新能源电池指标特征在每类故障 的概率值，将概率值最大的故障类型 作为待诊断新能源电池的故障类型，若 ，则表示待诊断新能源电池不存在故障。

[0092] 为了解决上述问题，本发明还提供一种基于人工智能的新能源电池故障诊断装置，其特征在于，所述装置包括：

[0093] 等效电路构建装置，用于构建新能源电池等效电路模型；

[0094] 数据采集处理模块，用于基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

[0095] 电池故障诊断模块，用于基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型，利用改进的图优化算法对新能源电池故障诊断模型进行优化。

[0096] 为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

[0097] 存储器，存储至少一个指令；及

[0098] 处理器，执行所述存储器中存储的指令以实现上述所述的基于人工智能的新能源电池故障诊断方法。

[0099] 为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于人工智能的新能源电池故障诊断方法。

[0100] 相对于现有技术，本发明提出一种基于人工智能的新能源电池故障诊断方法，该技术具有以下优势：

[0101] 首先，本方案提出一种新能源电池工作电路等效方法，通过基于新能源电池运行过程中电池离子扩散产生的扩散阻抗，构建新能源电池工作过程中的等效电路模型，所述新能源电池等效电路模型的模型结构为：

[0102]

[0103]

[0104] 其中： 为新能源电池的阻抗； 为新能源电池的电阻值； 为极化电阻值；b为新能源电池中恒相元件的模值，为恒相元件的相位；Z表示扩散阻抗；j表示虚数单位，； 表示新能源电池中电流的角频率；T表示新能源电池的温度；F表示法拉第常量；S表示新能源电池活化面积，C表示新能源电池中阴极活性层氧浓度，表示扩散系数，n表示扩散的电池离子数目。获取不同类型的新能源电池，并采集实验环境下的不同类型新能源电池的工作数据，所采集工作数据的集合为：

[0105]

[0106] 其中： 为所获取的第k个新能源电池的工作数据，K为所获取新能源电池总数；，其中 表示第k个新能源电池不存在故障， 表示第k个新能源电池存
在故障，若 ，则 为0，若 ，则 为第k个新能源电池的故障类型； 表示第k个新能源电池在工作期间电阻值变化的时序数据； 表示第k个新能源电池的参数特征，包括极化电阻值、电流的角频率、恒相元件模值以及相位； 表示第k个新能源电池在工作期间扩散阻抗变化的时序数据； 第k个新能源电池在工作期间荷电状态变化的时序数据；根据所构建的新能源电池等效电路模型，将新能源电池在工作期间的电阻值、扩散阻抗以及参数特征代入新能源电池等效电路模型，得到新能源电池的电池阻抗时序数据，则所采集的数据集合为：

[0107]

[0108] 其中： 为第k个新能源电池的工作数据； 为第k个新能源电池在工作状态下的电池阻抗时序数据，并将电池阻抗时序数据实部、电池阻抗时序数据虚部以及荷电状态时序数据作为新能源电池的特征，从而将多维多指标的新能源电池特征指标数据转换为三维的新能源电池故障诊断指标体系，降低电池故障诊断的复杂性，实现电池故障诊断的时效性。

[0109] 同时，本方案提出一种新能源电池故障诊断方法，通过基于新能源电池故障诊断指标体系中的指标特征，利用所采集数据的特征向量集合构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型为图模型，每个特征向量 为新能源电池故障诊断模型中的一个点，特征向量之间的隶属度关系为新能源电池故障诊断模型中的边，所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；将待诊断新能源电池的指标特征输入到新能源电池故障诊断模型中，新能源电池故障诊断模型计算指标特征中每一维特征所属类别的概率，则指标特征属于类别r的概率为：

[0110]

[0111] 其中： 表示指标特征中第i维特征与类别r的第i维特征的隶属度， ，其中 表示电池阻抗实部特征， 表示电池阻抗虚部特征， 表示荷电状态特征；表示指标特征中第i维特征的标准差； 为指标特征中第i维特征的均值； 为类别r的第i维特征的均值；e为自然指数； 为指标特征属于类别r的概率， ， 表
示待诊断新能源电池不存在故障，实现待诊断新能源电池的故障类型诊断。

附图说明

[0112] 图1为本发明一实施例提供的一种基于人工智能的新能源电池故障诊断方法的流程示意图；

[0113] 图2为图1实施例其中一个步骤的流程示意图；

[0114] 图3为图1实施例另一个步骤的流程示意图；

[0115] 图4为本发明一实施例提供的基于人工智能的新能源电池故障诊断装置的功能模块图；

[0116] 图5为本发明一实施例提供的实现新能源电池故障诊断方法的电子设备的结构示意图。

[0117] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

[0118] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0119] 本申请实施例提供一种基于人工智能的新能源电池故障诊断方法。所述基于人工智能的新能源电池故障诊断方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的新能源电池故障诊断方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

[0120] 实施例1：

[0121] S1：构建新能源电池等效电路模型，实现新能源电池工作过程的数字化表示。

[0122] 所述S1步骤中构建新能源电池等效电路模型，包括：

[0123] 基于新能源电池运行过程中电池离子扩散产生的扩散阻抗，构建新能源电池工作过程中的等效电路模型，所述新能源电池等效电路模型的模型结构为：

[0124]

[0125]

[0126] 其中：

[0127] 为新能源电池的阻抗；

[0128] 为新能源电池的电阻值；

[0129] 为极化电阻值；

[0130] b为新能源电池中恒相元件的模值，为恒相元件的相位；

[0131] Z表示扩散阻抗；

[0132] j表示虚数单位， ；

[0133] 表示新能源电池中电流的角频率；

[0134] T表示新能源电池的温度；

[0135] F表示法拉第常量；

[0136] S表示新能源电池活化面积，C表示新能源电池中阴极活性层氧浓度，表示扩散系数，n表示扩散的电池离子数目。

[0137] S2：基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系。

[0138] 所述S2步骤中基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，包括：

[0139] 需要解释的是，通过在新能源电池上设置若干传感器，在实验环境下令新能源电池正常工作，采集不同类型新能源电池在工作状态下的数据，所述不同类型新能源电池包括存在故障的新能源电池以及不存在故障的新能源电池，对其中存在故障的新能源电池标记故障类型；

[0140] 获取不同类型的新能源电池，并采集实验环境下的不同类型新能源电池的工作数据，所采集工作数据的集合为：

[0141]

[0142] 其中：

[0143] 为所获取的第k个新能源电池的工作数据，K为所获取新能源电池总数；

[0144] ，其中 表示第k个新能源电池不存在故障， 表示第k个新能源电池存在故障，若 ，则 为0，若 ，则 为第k个新能源电池的故障类型；

[0145] 表示第k个新能源电池在工作期间电阻值变化的时序数据；

[0146] 表示第k个新能源电池的参数特征，包括极化电阻值、电流的角频率、恒相元件模值以及相位；

[0147] 表示第k个新能源电池在工作期间扩散阻抗变化的时序数据；

[0148] 第k个新能源电池在工作期间荷电状态变化的时序数据；

[0149] 根据所构建的新能源电池等效电路模型，将新能源电池在工作期间的电阻值、扩散阻抗以及参数特征代入新能源电池等效电路模型，得到新能源电池的电池阻抗时序数据，则所采集的数据集合为：

[0150]

[0151] 其中：

[0152] 为第k个新能源电池的工作数据；

[0153] 为第k个新能源电池在工作状态下的电池阻抗时序数据。

[0154] 所述S2步骤中提取实验室环境下所采集数据的特征，包括：

[0155] 详细地，参阅图2所示，所述特征提取算法流程包括：

[0156] S21、分别提取电池阻抗时序数据的实部和虚部；

[0157] S22、将电池阻抗时序数据实部、电池阻抗时序数据虚部以及荷电状态时序数据作为新能源电池的特征；

[0158] S23、对所采集的数据集合中的工作数据进行上述特征提取，得到所采集数据的特征向量集合：

[0159]

[0160] 其中：

[0161] 为第k个新能源电池的特征向量。

[0162] 所述S2步骤中根据所提取特征构建新能源电池故障诊断指标体系，包括：

[0163] 所构建的新能源电池故障诊断指标体系包括电池阻抗实部特征、电池阻抗虚部特征以及荷电状态特征。

[0164] S3：基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型。

[0165] 所述S3步骤中基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，包括：

[0166] 基于新能源电池故障诊断指标体系中的指标特征，利用所采集数据的特征向量集合 构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型为图模型，每个特征向量 为新能源电池故障诊断模型中的一个点，特征向量之间的隶属度关系为新能源电池故障诊断模型中的边，所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；

[0167] 将待诊断新能源电池的指标特征输入到新能源电池故障诊断模型中，新能源电池故障诊断模型计算指标特征中每一维特征所属类别的概率，则指标特征属于类别r的概率为：

[0168]

[0169] 其中：

[0170] 表示指标特征中第i维特征与类别r的第i维特征的隶属度， ，其中表示电池阻抗实部特征， 表示电池阻抗虚部特征， 表示荷电状态特征；

[0171] 表示指标特征中第i维特征的标准差；

[0172] 为指标特征中第i维特征的均值；

[0173] 为类别r的第i维特征的均值；

[0174] e为自然指数；

[0175] 为指标特征属于类别r的概率， ， 表示待诊断新能源电池不存在故障。

[0176] S4：利用改进的图优化算法对新能源电池故障诊断模型进行优化，求解得到优化后的故障诊断模型参数。

[0177] 将所采集数据的特征向量集合 划分为训练集和测试集，其中训练集中特征向量的数目为 ，测试集中特征向量的数目为；

[0178] 设定新能源电池故障诊断模型可以进行诊断的故障类型数为H，其中 ，H中包括一种不存在故障的故障类型以及 种故障，从训练集中选取 个故障类型不同的特征向量作为初始故障类别；

[0179] 随机生成训练集中每一个特征向量中每一维特征与初始故障类别中每一维特征的隶属度；

[0180] 构建新能源电池故障诊断模型优化的目标函数：

[0181]

[0182] 其中：

[0183] 为训练集中第v个特征向量的第i维特征 与第h个初始类别的第i维特征的隶属度；

[0184] 所述目标函数的约束条件为：

[0185]

[0186] 将约束条件代入到目标函数中：

[0187]

[0188] 其中 为拉格朗日乘子；

[0189] 令 ，分别得到故障类别的迭代公式以及隶属度的迭代公式：

[0190]

[0191]

[0192] 其中：

[0193] 为训练集中第v个特征向量的均值；

[0194] 根据迭代公式对故障类别以及隶属度进行迭代，并利用测试集进行测试：

[0195]

[0196] 其中：

[0197] 为测试集中第 个特征向量的模型输出故障类型， 为测试集中第 个特征向量的真实故障类型；

[0198] 直到 值达到最小，将此时的故障类别以及对应的隶属度作为新能源电池故障诊断模型的优化参数，得到优化后的新能源电池故障诊断模型。

[0199] S5：将待诊断新能源电池的运行数据输入到新能源电池等效电路模型中，并提取待诊断新能源电池的指标特征。

[0200] 详细地，参阅图3所示，所述S5步骤中提取待诊断新能源电池的指标特征，包括：

[0201] S51、将待诊断新能源电池的工作状态数据输入到新能源电池等效电路模型中，得到待诊断新能源电池的电池阻抗时序数据以及荷电状态时序数据；

[0202] S52、分别提取电池阻抗时序数据的实部和虚部；

[0203] S53、将电池阻抗时序数据的实部、电池阻抗时序数据的虚部以及荷电状态时序数据作为待诊断新能源电池的指标特征。

[0204] S6：将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，模型输出待诊断新能源电池是否存在故障以及故障的类型。

[0205] 所述S6步骤中将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，包括：

[0206] 将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，新能源电池故障诊断模型计算得到待诊断新能源电池指标特征在每类故障 的概率值，将概率值最大的故障类型 作为待诊断新能源电池的故障类型，若 ，则表示待诊断新能源电池不存在故障。

[0207] 实施例2：

[0208] 如图4所示，是本发明一实施例提供的基于人工智能的新能源电池故障诊断装置的功能模块图，其可以实现实施例1中的故障诊断方法。

[0209] 本发明所述基于人工智能的新能源电池故障诊断装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的新能源电池故障诊断装置可以包括等效电路构建装置101、数据采集处理模块102及电池故障诊断模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

[0210] 等效电路构建装置101，用于构建新能源电池等效电路模型；

[0211] 数据采集处理模块102，用于基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

[0212] 电池故障诊断模块103，用于基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型，利用改进的图优化算法对新能源电池故障诊断模型进行优化。

[0213] 详细地，本发明实施例中所述基于人工智能的新能源电池故障诊断装置100中的所述各模块在使用时采用与上述的图1中所述的基于人工智能的新能源电池故障诊断方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

[0214] 实施例3：

[0215] 如图5所示，是本发明一实施例提供的实现基于人工智能的新能源电池故障诊断方法的电子设备的结构示意图。

[0216] 所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如新能源电池故障诊断程序12。

[0217] 其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如新能源电池故障诊断程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

[0218] 所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（新能源电池故障诊断程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

[0219] 所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

[0220] 图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

[0221] 例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi‑Fi模块等，在此不再赘述。

[0222] 进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI‑FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。

[0223] 可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light‑Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

[0224] 应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

[0225] 所述电子设备1中的所述存储器11存储的新能源电池故障诊断程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

[0226] 构建新能源电池等效电路模型；

[0227] 基于新能源电池等效电路模型采集实验环境下的电池阻抗数据以及荷电状态数据，并提取所采集数据的特征，根据所提取特征构建新能源电池故障诊断指标体系；

[0228] 基于新能源电池故障诊断指标体系中的指标特征构建新能源电池故障诊断模型，其中所述新能源电池故障诊断模型的输入为新能源电池的指标特征，输出为新能源电池是否存在故障以及故障的类型；

[0229] 利用改进的图优化算法对新能源电池故障诊断模型进行优化，求解得到优化后[0230] 将待诊断新能源电池的运行数据输入到新能源电池等效电路模型中，并提取待诊断新能源电池的指标特征；

[0231] 将待诊断新能源电池的指标特征输入到优化后的新能源电池故障诊断模型中，模型输出待诊断新能源电池是否存在故障以及故障的类型。

[0232] 具体地，所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述，在此不赘述。

[0233] 需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

[0234] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

[0235] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。